1.一种应用于间歇过程的故障检测方法，包括以下步骤：

步骤1：针对一种属于间歇过程的故障检测对象，选取包含已知故障的测试数据集，并对网络设置超参数，包括LSTM中三个门控输入门，遗忘门，输出门的门控函数和每个LSTM的输入输出激活函数、LSTM的网络深度、网络学习率，并根据输入序列的长短设计每层的LSTM单元数；

步骤2：利用BN批规范化方法将每层LSTM的输出值进行零均值和方差归一化处理，根据测试数据的准确率调节步骤1中的超参数，从而根据调节的最终结果进行训练得到输入向量的特征；

步骤3：使用基于多项式分布的SoftMax分类器，将步骤2得到的特征输入到SoftMax函数中转换为概率分布，再通过与真实标签比较建立交叉熵损失得到损失函数，根据损失函数的梯度反向传播，采用RMSProp算法进行学习训练，逐渐接近损失函数的局部最小值；

步骤4：每一次对网络学习训练后都进行测试数据的准确率检测，当测试数据的预测与真实值之间的交叉熵损失不在明显的降低时停止训练；

步骤5：将步骤4训练后的网络用于对步骤1中的故障检测对象做当前故障检测。

2.根据权利要求1所述的方法，其特征在于：网络输入一批包含已知故障的测试数据集，只取最后一层中最后一个LSTM单元的输出值。

3.根据权利要求1所述的方法，其特征在于：每个LSTM单元的三个门控输入门均由上一个单元的记忆c，输出y和这一时刻的输入x组合成输入向量a，则有：at＝[ct-1，yt-1，xt]     (1)

其中at表示t时刻的输入向量，W和b是对应门控的权重和偏置，门控函数g为tanh激活函数，LSTM的输入输出激活函数f为sigmoid激活函数；

所述的遗忘门

将 与 相加后存入新的记忆单元并表示为ct。

所述的输出门的输出y为：yt＝h(ct)·f(Woat+bo)    (4) 。

4.根据权利要求1所述的方法，其特征在于：步骤2中所述的BN批规范化方法中的归一化方法是对每一个LSTM网络层的输出进行白化预处理：其中E[x(k)]指其中一批LSTM的输出x(k)的平均值，Var[x(k)]为该批次数据的标准差，∈是极小的正数，以保证分母不为零。

5.根据权利要求4所述的方法，其特征在于：所述的归一化方法中增加有比例及平移操作，即：其中 是白化预处理后的数据，参数γ，β，同权重和偏置一样，是随着网络中的迭代训练而得到学习。

6.根据权利要求5所述的方法，其特征在于：采用滑动平均的方式记录并更新均值和方差，并在步骤5的检测中使用最后一次修改的均值方差。